UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA DAT. Josef Tvrdík

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA DAT. Josef Tvrdík"

Transkript

1 UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA DAT (OPRAVENÁ VERZE 006) Josef Tvrdík OSTRAVSKÁ UNIVERZITA 00

2 Obsah: Úvod... 3 Programové prostředky pro statstcké výpočty Tabulkový procesor Ecel Statstcké programové systémy NCSS SOLO Parametrcké testy o shodě středích hodot (t-testy)... 8 Souhr:... 5 Kotrolí otázky:... 6 Pojmy k zapamatováí: Aalýza rozptylu - jedoduché tříděí Základy leárí regrese Neparametrcké metody Zamékový test Jedovýběrový Wlcooův test Dvouvýběrový Wlcooův test Kruskalův-Wallsův test Spearmaův koefcet pořadové korelace Kotgečí tabulky - test ezávslost... 6 Lteratura - kometovaý sezam Statstcké tabulky Tabulka : Dstrbučí fukce ormovaého ormálího rozděleí... 7 Tabulka : Vybraé kvatly rozděleí Chí-kvadrát... 7 Tabulka 3: Vybraé kvatly Studetova t-rozděleí Tabulka 4: Vybraé kvatly Fsherova Sedecorova F-rozděleí Tabulka 5: Krtcké hodoty pro jedovýběrový Wlcooův test Tabulka 6: Krtcké hodoty pro dvouvýběrový Wlcooův (Maův-Whteyův) test Tabulka 7: Krtcké hodoty Spearmaova korelačího koefcetu... 77

3 Úvod Teto tet slouží jako opora pro kurs azvaý Aalýza dat. Navazuje a kurs Základy matematcké statstky. Cílem kursu je aplkovat základí statstcké zalost v relatvě jedoduchých úlohách, s mž se velm často setkáváme př aalýze emprckých dat. I když je tet apsá s co ejvětší sahou vysvětlovat uté pojmy jejch aplkac jedoduše bez zbytečých a z pohledu využtí statstckých metod okrajových podrobostí, počítejte s tím, že tet ebude oddechová četba a že spoustu věcí bude potřeba důkladě promýšlet a k moha se opakovaě vracet. V řadě lustratvích příkladů jsou užta data ze souboru BI97, která už dost dobře záte z kursu Základy matematcké statstky, zejméa z kaptoly o popsé statstce. Časovou áročost zvládutí tohoto tetu a vyřešeí zadaých příkladů lze odhadout a přblžě 40 až 60 hod. Hlaví korespodečí úlohou, kterou byste v tomto kursu měl osvědčt získaé pozatky, je aalýza vám vybraého souboru dat z vašeho okolí. Proto se poohléděte po stuac a datech, které byste chtěl statstcky zpracovat a kde jste zvědav a výsledky této aalýzy. Případé ejasost včas kozultujte s vyučujícím. Výsledky aalýzy bude pak potřeba předložt formou vytštěé stručé a přehledé zprávy v rozsahu ma. 3 stray. Ostatí korespodečí úlohy jsou zařazey a koc příslušé kaptoly. 3

4 Programové prostředky pro statstcké výpočty Tato kaptola by vám měla pomoc v oretac v programových prostředcích užívaých ve statstckých výpočtech a aalýze dat. Jsou zde uvedey společé rysy těchto softwarových produktů. Podroběj jsou zmíěy tabulkový procesor Ecel a statstcký paket NCSS, eboť s těmto produkty se ejpravděpodoběj setkáte př řešeí vašch úloh př studu a Ostravské uverstě. Př prvím čteí této kaptoly, a které by mělo stačt až 3 hody, postačí, když získáte oretac v základích problémech a obtížích, se kterým se můžete ve výpočtech a terpretac výsledků setkat. Spíše počítejte s tím, že př řešeí kokrétího problému se budete k této kaptole vracet. Podpora statstckého zpracováí dat je součástí moha obecých programových systémů oretovaých a prác s databázem, a grafcké zpracováí dat, matematckých programových prostředků (Matlab, Mathematca) a kromě toho estuje ěkolk desítek specalzovaých statstckých programových paketů. Společým rysem těchto programových prostředků jsou operace s datovou matcí, tj. dvojrozměrou tabulkou, ve které sloupce jsou velčy a řádky pozorovaé objekty. Pro prác s tabulkam jsou určey tabulkové procesory (apř. Ecel), které jsou vybavey celou řadou statstckých fukcí a grafckých prostředků. Tyto programové prostředky začě usadňují statstcké výpočty a dovolují užvatel soustředt se a správé použtí statstckých metod, kolv a výpočetí ámahu.. Tabulkový procesor Ecel Ecel je typckým představtelem tabulkových procesorů, ěkterá jeho verse je dostupá praktcky a každém počítač. Stadardí součástí Ecelu je ěkolk desítek statstckých fukcí, které mohou být užty př statstckých výpočtech. Je vybave poměrě kvaltí grafkou, která dovoluje pohodlé kresleí statstckých grafů (prozatím s výjmkou apř. krabcových dagramů a ěkterých dalších ve statstce užívaých typů grafů). Kromě toho lze Ecel rozšířt o stadardě dodávaý doplěk Aalýza dat, který pokrývá praktcky všechy metody vysvětlovaé v základích kursech statstcké aalýzy dat. Vzhledem k tomu, že Ecel je tzv. lokalzová, to zameá, že podrobá ápověda ke všem fukcím je k dspozc v čeště, a práce s tabulkovým procesory je součástí výuky předcházejících předmětů, ebudeme se jím yí podroběj zabývat. Pouze přpojujeme upozorěí a ěkteré edostatky zjštěé ve statstckých fukcích a doplňku Aalýza dat. V tetu jsou užty ctace z helpů české lokalzace Ecelu 97. 4

5 Často užívaým modulem doplňku Aalýzy dat je Hstogram. S využtím mplctího astaveí vstupích parametrů můžete dostat ásledující obrázek: Hstogram četost 5 0 četost třídy další Drobé vady a kráse hstogramu je možo omluvt. Legeda a adps Hstogram jsou zbytečé, je zabírají místo, pops vodorové osy eříká c. Sloupce ejsou ad celou šířkou tervalů, počet výzamých číslc v popsu pod sloupc je esmyslě velký. To lze apravt vhodější volbou vstupích parametrů ebo dodatečou úpravou grafu. Závažějším edostatkem však je, že hodoty popsující středy sloupců (středy jedotlvých tervalů) ejsou hodoty odpovídající středu, ale pravému okraj tervalu. Ecel 97 ěkdy selhává ve výpočtu běžých základích jedorozměrých statstk. V Ecelu je zřejmě pro výpočet výběrového rozptylu a dalších s ím souvsejících fukcí (SMODCH, SMODCH.VYBER) užt ve starších statstckých učebcích doporučovaý vzorec s ( ) Pro velké hodoty a př jejch malé varabltě je počítačová hodota výrazu v hraatých závorkách dost odlšá od skutečého součtu čtverců odchylek od průměru, př velm velkých hodotách může být dokoce záporá. Podle výsledků ěkolka testovacích příkladů lze soudt, že v Ecelu je tato možost vyřešea tak, že bez jakéhokol varováí je výsledá hodota rozptylu získaá Ecelem rova ule. 5

6 Mez statstckým fukcem jsou fukce pro výpočet hodot dstrbučích fukcí a kvatlů často užívaých rozděleí. Jeda z ch se jmeuje NORMDIST a z jejího helpu se dočteme ásledující: ápověda: NORMDIST Vrací kumulatví ormálí rozděleí se zadaou středí hodotou a směrodatou odchylkou. Tato fukce má ve statstce velm šroké použtí, včetě testováí hypotéz. Sytae NORMDIST(; průměr; směrod_odch; kumulatví) X je hodota, pro ž počítáme rozděleí. Průměr je artmetcký průměr rozděleí. Směrod_odch je směrodatá odchylka rozděleí. Kumulatví je logcká hodota, která určuje tvar fukce. Pokud kumulatví je PRAVDA, NORMDIST vrací kumulatví dstrbučí fukc; je-l NEPRAVDA, vrací pravděpodobostí míru. Pozámky... Pokud průměr 0 a směrod_odch, NORMDIST vrací stadardí ormálí rozděleí, NORMSDIST. Příklad NORMDIST(4;40;,5;PRAVDA) se rová 0, koec ápovědy. Fukce NORMDIST je stěží může vracet kumulatví ormálí rozděleí, ale z popsu lze vytušt, že tím je míěa hodota dstrbučí fukce ebo hustoty (kol pravděpodobostí míra ) ormálího rozděleí podle toho, jakou zadáme hodotu posledího vstupího parametru kumulatví. Druhý parametr je vysvětle jako artmetcký průměr rozděleí, což patrě vzklo chybým překladem aglckého termíu mea, který měl být přelože jako středí hodota. Ncméě se dočteme, že pro stadardí ormálí rozděleí (česky se říká ormalzovaé ormálí rozděleí) můžeme použít fukc NORMSDIST, která fuguje zcela podle ašeho očekáváí, NORMSDIST (.96) Podobě řádě se chová verzí fukce NORMSINV, eboť pro zadaou hodotu dstrbučí fukce vrátí správou hodotu kvatlu, apř. NORMSINV (0.05) Zkusíme-l kvatly t-rozděleí, které očekáváme pod fukcí s ázvem TINV, její druhý parametr je počet stupňů volost. K ašemu překvapeí však zjstíme, že TINV (0.05, 500) +.487, ačkol bychom očekával hodotu blízkou -.96, tj. blízkou tomuto kvatlu ormovaého ormálího rozděleí. Na další pokus můžeme alézt hodotu kvatlu podobou očekávaé alespoň co do absolutí hodoty, TINV (0.05,500) Lehce zepokoje ahlédeme do helpu fukce TINV a dočteme se: 6

7 ápověda: TINV Vrací verzí fukc k fukc TDIST pro daé stupě volost. Sytae TINV(prst; volost) Prst je pravděpodobost daého dvojstraého t-rozděleí. Volost je počet stupňů volost. Pozámky: Pokud eí ěkterý z argumetů umercký, vrací fukce TINV chybovou hodotu #HODNOTA!. Pokud je prst < 0 ebo pokud je prst >, vrací TINV chybovou hodotu #NUM!. Pokud eí argumet volost celé číslo, je a celé číslo převede. Pokud je volost <, vrací TINV chybovou hodotu #NUM!. Fukce TINV se počítá jako TINVp( t<x ), kde X je áhodá proměá, která doprovází t-rozděleí. Fukce TINV používá opakující se techku propočítáváí fukce. Se zadaou pravděpodobostí hodotou se fukce TINV opakuje dokud eí výsledek přesý a ± 30^-7. Pokud fukce TINV edosáhe požadovaého výsledku po 00 opakováích, vrací fukce chybovou hodoty #N/A. Příklad: TINV(0,054645;60) se rová,96 koec ápovědy. Některé formulace z ápovědy ás možá pobavly, ěkteré trochu vyvedly z míry ebo uvedly do pochybostí, apř. pravděpodobost daého dvojstraého t-rozděleí. Co to vůbec je pravděpodobost ějakého rozděleí a co se může skrývat pod dvojstraým t-rozděleím? Ncméě je jasé, že klíčem k pochopeí je zjstt, k jaké fukc je fukce TINV verzí a zde je uvedeo, že k fukc TDIST. Z helpu fukce TDIST zjstíme toto: ápověda: TDIST Vrátí hodotu dstrbučí fukce t Studetova rozděleí. V případě, že ezáme směrodatou odchylku základího souboru, je j možo odhadout pomocí výběrové směrodaté odchylky t. T-rozděleí je používáo př hypotetckém testováí malých vzorků dat. Sytae TDIST(; volost; stray) X je číslo, pro které hledáme hodotu dstrbučí fukce. Volost je celé číslo, ozačující počet stupňů volost. Stray určuje, zda se jedá o jedostraé č dvoustraé rozděleí. Pokud je parametr stray, vrací TDIST hodotu fukce jedostraého rozděleí. Pokud je parametr stray, vrací TDIST hodotu fukce dvojstraého rozděleí. Pozámky: Pokud eí argumet umercký, vrací fukce TDIST chybovou hodotu #HODNOTA!. Pokud je volost <, vrací TDIST chybovou hodotu #NUM!. 7

8 Argumety volost a stray jsou převáděy a celá čísla. Pokud argumet stray abývá jých hodot ež ebo, vrací TDIST chybovou hodotu #NUM!. Fukce TDIST se počítá jako TDISTp( <X ), kde X je áhodá proměá, která doprovází t-rozděleí. Příklad: TDIST(,96;60,) se rová 0, koec ápovědy. Naše dlema se jak ezmešlo, podle ápovědy se obě fukce počítají stejě, TDISTp( <X ) a TINVp( t<x ), obě fukce mají být zřejmě ějaké pravděpodobost. Ale jak mohla vyjít hodota fukce TINV větší ež jeda? Navíc TDIST jsou vlastě fukce dvě, vybíráme jedu z ch zadáím hodoty jejího třetího vstupího parametru stray. Ke které z ch je TINV verzí? Naštěstí z uvedeých příkladů a ápověd můžeme usoudt téměř s jstou, že platí ásledující vztah: TINV ( α, ) t ( α / ), kde t ( α / ) je ( α / ) -kvatl t-rozděleí s stup volost, takže ezáporé hodoty kvatlů umíme pomocí fukce TINV vyčíslt. To, že t-rozděleí je symetrcké, sad eí uté přpomíat, takže a kvatly t-rozděleí se umíme dostat v Ecelu. Roztomlost alezeme v modulech doplňku Aalýza dat pro běžé statstcké testy. Např. dvouvýběrový t-test poskyte ásledující výstup: Dvouvýběrový t-test s rovostí rozptylů Soubor Soubor stř. hodota rozptyl pozorováí 64 7 společý rozptyl hyp. rozdíl st. hodot 0 rozdíl 89 t stat P(T<t) () t krt ().6656 P(T<t) () t krt () Pro užvatele rozlšujícího mez jedostraým a oboustraým testem je výstup redudatí, užvatel mez těmto varatam erozlšujícímu tato redudace stejě epomůže. Zájem může vzbudt statstka ozačeá jako rozdíl. Skutečost, že platí rozdíl + (tedy je rove počtu stupňů volost) svádí k doměce, že zkratku df terpretoval překladatel jako aglcké dfferece a přeložl do češty. Tato chyba se vyskytuje ve většě testů mplemetovaých v doplňku Aalýza dat. 8

9 Užíváte-l pro statstcké výpočty Ecel, vždy velm pečlvě zkoumejte, co vlastě vám ve výsledcích Ecel poskytuje a výstupy z Ecelu, zejméa z jeho české lokalzovaé verse, epřeášejte bez rozmyslu do svých prezetací a dokumetů. 9

10 . Statstcké programové systémy Statstckých programů komerčě šířeých estuje velké možství. Jako ejpopulárější příklady můžeme zmít SPSS, SAS, S-Plus, Statstca, Stata, Mtab, Ustat ebo NCSS. To jsou tzv. obecé, tj. pokrývají celou škálu statstckých metod, jé jsou specalzovaé a aalýzu ěkterých dat (časové řady, kategorálí data ap.). Všechy statstcké programy však mají tyto základí fukce: mport dat (vstup datové tabulky přpraveé v jém programovém prostředku, třeba v Ecelu ebo v Accesu) mapulace s daty (trasformace, uspořádávaí dat, výběry podmož datové matce, spojováí datových matc) základí deskrptví statstky grafcké prostředky ukládáí dat k sadému využtí pro další zpracováí (tzv. savefle) eport dat (ve formátech vhodých pro jé programové prostředky) presetace výsledků ve formě souborů pro další zpracováí tetovým procesory Ovládáí statstckých programů je v současé době možé většou přes meu a koy podobě jako u ostatích programových produktů pracujících pod Wdows, dříve převažovalo ovládáí pomocí příkazového jazyka, které bylo poěkud áročější pro epravdelého užvatele ebo začátečíka. Vzhledem k tomu, že Ostravská uversta je vybavea statstckým pakety SOLO a NCSS, zaměříme se a tyto produkty podroběj... NCSS Ozačeí NCSS je zkratka ázvu Number Crucher Statstcal Systems. Autorem tohoto statstckého paketu je Jerry L. Htze, stejě jako zámého paketu SOLO. V NCSS lze ostatě ávazost a SOLO sado vystopovat, zejméa v paletě metod a ve struktuře a orgazac výstupů. NCSS je uversálí statstcký paket, doporučovaý zejméa užvatelůmestatstkům. Pokrývá však aprostou většu požadavků velm sofstkovaé statstcké aalýzy dat. Ovládá se pomocí výběru z meu. NCSS komukuje stylem abízím, co pravděpodobě můžete ebo máte v daé stuac požadovat, pokud vám to evyhovuje, musíte to vyjádřt. Výsledky (tetový grafcký výstup společě) jsou ve formátu RTF (Rch Tet Format) a tedy sado mportovatelé do běžých tetových procesorů. Základy ovládáí NCSS lustrují ásledující obrázky. Výběrem z meu přepíáme mez pracovím oky se zpracovávaým daty, okem tzv. šablo (templates), ve kterém specfkujeme vstupí parametry zvoleé aalytcké procedury, okem 0

11 aktuálích výsledků a okem tzv. LOG souboru s výsledky pro trvalé uložeí po ukočeí sezeí. Hlaví způsob ovládáí je výběr z meu a vyplňováí formulářů pomocí myš, v mohém podobé prác s tabulkovým procesory. Vyplěé šabloy lze uložt pro opakovaé použtí. Do LOG souboru se ukládají pouze ty výsledky, které užvatel uloží eplctě, jak jsou ztracey a oko aktuálích výsledků je přepsováo ásledující spuštěou procedurou. Zadáváí trasformací velč a sdružováí kategorí je jedoduché, spuštěí výpočtu je pro podmožu případů je možé, ale poměrě komplkovaé, je potřeba defovat logckou podmíku vybírá podmožy pomocí fukce FILTER a př všech výpočtech teto fltr pak aktvovat ve vstupích parametrech výpočtu. Pokud úloha vyžaduje komplkovaější předzpracováí dat, je většou výhodé toto předzpracováí udělat jým programovým prostředkem apř. Ecelem a data pak do NCSS mportovat. Import a eport moha běžých formátů dat je součástí NCSS. Tabulka s datovou matcí se lší od Ecelu v tom, že ázvy velč jsou v ázvech sloupců a a velčy apř. př zadáváí vstupích parametrů výpočtu do šabloy se odkazujeme pomocí jejch jme.

12 Kromě datové matce máme k dspozc lst s ázvy velč, ve kterém můžeme ázvy velč upravovat a také zadávat artmetcké výrazy pro výpočet odvozeých velč (trasformace). Šablou pro zadáváí trasformací otevřeme z položky Data v hlavím meu, odkud lze otevřít šablou pro astaveí a aktvac fltru:

13 Požadovaé výpočty se zadávají volbou z meu, apř. zde z položky Aalyss hlavího meu rozbalíme skupy mplemetovaých statstckých metod: 3

14 Vyplěím šabloy se vstupím parametry výpočtu je možé specfkovat úroveň podrobost a formát výstupu. Výstup je pak ve formátu RTF v okě aktuálího výstupu: 4

15 Podobě volbou Graphcs v hlavím meu otevřeme abídku grafckých procedur. U všech těchto procedur je možé specfkovat obsah vzhled grafckých výstupů: 5

16 Součástí fukcí NCSS je tzv. pravděpodobostí kalkulátor, který ahrazuje obsáhlé statstcké tabulky: Výhodou NCSS je sadé ovládáí pomocí meu, pohodlá práce s méě rozsáhlým daty, vysoká grafcká kvalta výstupů jejch sadý mport do tetových procesorů. K dspozc je podrobá ápověda ve formě kompletího mauálu v aglčtě. Pomocí NCSS byly zpracováy ěkteré výsledky a grafy v těchto skrptech. Přestože NCSS je kvaltí ástroj pro statstckou aalýzu dat a dovolí vám velm rychlou a efektví prác, ale eí, ostatě jako žádý jý statstcký program, pojstkou prot chybám v aplkacích statstky... SOLO Nyí už poěkud zapomeutý paket SOLO je uversálí programový statstcký paket pracující pod operačím systémem MS DOS a s mmálím ároky a hardware. Pro užvatele programu SOLO je k dspozc český mauál v khově Ostravské uversty. Ovládá se pomocí meu a vyplňováí formulářů z klávesce. Ve srováí s NCSS je horší kvalta výstupů, eboť výsledky v programu SOLO jsou ukládáy do tetových (ASCII) souborů a obtížější práce s grafckým výstupy. V abídce základích statstckých metod jsou oba pakety srovatelé. 6

17 Př užíváí statstckých programových prostředků věujte pozorost převodům zpracovávaých dat mez růzým programovým prostředky. Častým zdrojem obtíží př tomto převodu (bývá ozačová také jako mport a eport dat) mohou být zejméa chybějící hodoty v datech, které emusí být předvedey správě. Pokud data obsahují desetá čísla, můžou vkout potíže př eshodách oddělovače desetých míst (čárka ebo tečka). Proto př operacích eportu a mportu dat byste vždy měl zkotrolovat prví a posledí řádek datové matce a základí popsé charakterstky převáděého souboru, abyste tak s vysokou pravděpodobostí mohl vyloučt echtěou změu v datech způsobeou esprávým převodem. Ze špatých dat elze získat dobré výsledky. Statstcká aalýza dat s dobrým programovým vybaveím je v aprosté většě případů duševě áročá čost vyžadující soustředěí a obezřetost. Dovedost ovládáí statstckého software představuje je meší část požadavků kladeých a řeštele úlohy. Kotrolí otázky:. Jaká je obvyklá struktura dat zpracovávaá statstckým programy?. Co je to mport dat a jaká jsou jeho úskalí? 3. Jaké jsou výhody a evýhody Ecelu ve srováí se specalzovaým statstckým pakety? 4. Na datech ze souboru BI97 s vyzkoušejte základí statstcké fukce a doplěk Aalýza dat. Pojmy k zapamatováí: statstcká data, jejch struktura obvyklé fukce ve statstckých paketech mport a eport dat statstcké fukce v Ecelu a jejch edostatky doplěk Ecelu Aalýza dat 7

18 3 Parametrcké testy o shodě středích hodot (t-testy) Jedovýběrový oboustraý t-test jsme podrobě vysvětll v učebím tetu Základy matematcké statstky (odst. 4.3) a doporučujeme tam základy testováí hypotéz zovu s přpomeout. Oboustraá alteratva H : µ 75 cm však eí jedá možá formulace alteratví hypotézy. Máme-l k dspozc ějakou aprorí formac o středí hodotě sledovaé populace, apř. studet jsou od mládí dobře žve a tedy jejch výška má větší středí hodotu ež 75 cm, můžeme zformulovat alteratvu jedostraě: H 0 : µ 75 cm H : µ > 75 cm (tzv. pravostraá alteratva) Další postup testu bude zcela aalogcký jako u oboustraého testu, pouze krtcký obor bude jý, totž W t ( α), ). Nulovou hypotézu můžeme zamítout ve prospěch této alteratvy tehdy, když výběrový průměr je o hodě větší ež 75, přesěj vyjádřeo, když pro hodotu testového krtéra platí 75 t( α ). s / Vdíme, že pravděpodobost eoprávěého zamítutí ulové hypotézy je opět rova hladě výzamost α. Tím, že jsme alteratvu formuloval s využtím ějaké aprorí formace, stačí k zamítutí ulové hypotézy, aby hodota testového krtera byla alespoň t( α ), v ašem příkladu t 5 ( 095, ) 75,. Zcela aalogcky, pokud bychom měl k tomu důvod, můžeme formulovat levostraou alteratvu H :µ < 75 cm. Pak krtcký obor je ( W, t( α ). Obecě př užíváí testů, zejméa jedostraých, je vhodé ejdříve formulovat alteratvu ve tvaru obsahujícím tvrzeí, které bychom chtěl prokázat. Pak pokud ulovou hypotézu zamíteme, máme téměř jstotu (s rzkem rovým α ), že tvrzeí vyjádřeé alteratví hypotézou je pravdvé. Často užívaým testem je dvouvýběrový t-test. Předpokládejme, že máme dva ezávslé výběry o rozsahu, resp., ze dvou ormálě rozděleých populací, prví populace má rozděleí N ( µ, σ ), druhá N ( µ, σ ). Z kaptoly 4. víme - vz rov , že když ezámé parametry můžeme považovat za shodé, tedy shodý), pak áhodá velča σ, σ σ σ σ (rozptyl v obou populacích je 8

19 T ( µ µ ) ( ) + ( ) s s + + ~ t + Chceme-l testovat hypotézu, že středí hodoty v obou populacích jsou shodé, tj. H 0 : µ µ prot ěkteré z alteratv H : µ µ (oboustraá alteratva) H : µ < µ (levostraá alteratva) H : µ > µ (pravostraá alteratva) užjeme testovou statstku T eq ( ) + ( ) s s + +, () která má za platost ulové hypotézy Studetovo t-rozděleí s stup volost. + Pokud rozptyly v obou populacích ejsou shodé, tj. hypotézy o shodě středích hodot statstka σ σ, je pro test T oeq s s + () která má přblžě t-rozděleí s ν stup volost, kde počet stupňů volost ν se určí podle vztahu ν s s + s + s Zameá to tedy, že př testováí ulové hypotézy o shodě středích hodot se musíme rozhodout, zda je splě předpoklad o shodě rozptylů, tj. σ σ σ ebo eí a podle toho volt testové krterum daé výrazem () 9

20 ebo (). Toto rozhodutí provedeme testem hypotézy H 0 : alteratvě H: σ σ. σ σ prot Pokud aše výběry o rozsazích, jsou z ormálě rozděleých populací, N ( µ, σ ), N ( µ, σ ), platí (vz 4.-5) ( ) s σ ~ χ a ( ) s ~ χ σ a také platí (vz odst ) s s / σ / σ ~ F, Za platost ulové hypotézy σ σ má testová statstka F toto rozděleí: s ~ F, s F (3) Lze se dohodout, že deováí výběrů zvolíme tak, aby platlo s s, praktcky to zameá. ve jmeovatel bude meší z obou výběrových rozptylů. Pak krtckým oborem bude ) W F, ( α), +, (4) jým slovy, hypotézu o shodě rozptylů σ σ zamíteme, když poměr výběrových rozptylů bude podstatě větší ež jeda. Stuac lustruje ásledující obrázek, F 59 6 ( 0, 95), 804., 0

21 hustota F-rozděleí f() α 0, Př testováí hypotéz obvykle používáme statstcký software. Př dvouvýběrovém t-testu je ve výsledcích (NCSS, SOLO) vyhodoce jak výraz () tak výraz () a je a ás, abychom s vybral správou část výsledku pro terpretac. Postup s ukážeme a příkladu Příklad : Máme posoudt, zda středí hodota velčy K (data BI97, vz kaptola ) jsou stejé v populac odrůdy odrůdy. Použjeme program NCSS, z meu Aalyss vybereme T-Tests, z ch Twosample. Zadáme K jako Respose varable a velču Odruda jako Group varable (tato velča rozděluje pozorováí do dvou skup) a dostaeme výstup, který zde uvedeme ve zkráceé podobě. Varable k Descrptve Statstcs Secto Stadard 95% LCL 95% UCL Varable Cout Mea Devato of Mea of Mea odruda odruda Equal-Varace T-Test Secto Alteratve Prob Decso Power Power Hypothess T-Value Level (5%) (Alpha.05) (Alpha.0) Dfferece <> Reject Ho Dfferece < Accept Ho Dfferece > Reject Ho Dfferece: (odruda)-(odruda) Asp-Welch Uequal-Varace Test Secto Alteratve Prob Decso Power Power

22 Hypothess T-Value Level (5%) (Alpha.05) (Alpha.0) Dfferece <> Reject Ho Dfferece < Accept Ho Dfferece > Reject Ho Dfferece: (odruda)-(odruda) Tests of Assumptos Secto Assumpto Value Probablty Decso(5%) Skewess Normalty (odruda) Caot reject ormalty Skewess Normalty (odruda) Caot reject ormalty Varace-Rato Equal-Varace Test Caot reject equal varaces Plots Secto 0.00 Bo Plot 7.00 k G Groups G I zkráceý výstup je dost obsažý a apoprvé ám dá trochu práce se v ěm oretovat a správě terpretovat výsledky. Naším úkolem je testovat ulovou hypotézu o shodě středích hodot prot oboustraé alteratvě, tj. H 0 : µ µ H : µ µ Stejou ulovou alteratví hypotézu můžeme formulovat takto: H 0 : µ µ 0 H : µ µ 0 Této formulac odpovídá forma výsledků, kde se objevuje rozdíl středích hodot (dfferece). Ještě se musíme rozhodout, zda máme pro aše rozhodováí užít statstku T eq defovaou rov. () ebo statstku T oeq defovaou rov.(), čl který odstavec z výsledků se ás týká, zda Equal varaces secto ebo Uequal varaces secto. Musíme rozhodout, zda můžeme považovat za splěý předpoklad o shodě rozptylů v obou populacích č kolv. K tomuto rozhodutí ám poslouží test hypotézy H 0 : σ σ prot alteratvě H: σ σ. Jeho výsledky alezeme v odstavc testů předpokladů (Tests of Assumptos) a řádku Varace-Rato Equal-Varace Test. Tam alezeme hodotu testové statstky spočteé podle vztahu (3) a kromě toho také tzv. výzamost této hodoty, která je uvedea ve sloupc Probablty. Tato výzamost (probablty, ěkdy ozačovaá také p-value, prob-level ebo krátce p) je často užívaou charakterstkou, která usadňuje terpretac výsledků. V případě jedostraého

23 testu, a to teto test je, vz rov. (4), udává pravděpodobost, že za platost ulové hypotézy bude mít testová statstka hodotu větší ež spočítaou z výběru, tedy v ašem příkladu p P( X 5556, ) 0, 9. Smysl p v tomto příkladu v jých jedostraých testech vysvětluje ásledující obrázek. hustota F-rozděleí f() ,5556 p 0, Je zřejmé, že pokud platí, p α, ulovou hypotézu zamítáme, jak ezamítáme. Jelkož v ašem příkladu vyšlo p 0,9, tedy větší ež obvykle voleá hlada výzamost α 005,, přjímáme představu o shodě rozptylů v obou populacích, σ σ. Proto statstka pro test hypotézy o rovost středích hodot obou populací je statstka Teq defovaá rovcí (). Její hodotu alezeme ve výsledcích v odstavc Equal-Varace T-Test. Její hodota je,7 a u í je uvedea odpovídající hodota p. Jelkož ale v tomto případě se jedá o oboustraý test, p udává pravděpodobost, že za platost ulové hypotézy bude absolutí hodota testové statstky větší ebo rova absolutí hodotě statstky spočítaé z výběru, tedy v ašem příkladu p P( X, 7) 0, 03. Jedoduše řečeo, u oboustraých testů zamítáme ulovou hypotézu, je-l hodota testové statstky buď velm velká ebo velm malá. Opět pokud platí, že p α, ulovou hypotézu zamítáme. Názorě stuac vdíme a ásledujícím obrázku. 3

24 f ( ) p / p / 0 Jelkož v uvedeém příkladu je p 003,, hypotézu o shodě středích hodot, tedy µ µ 0, a hladě výzamost α 005, zamítáme. Pokud bychom předem z ějakých důvodů zvoll hladu výzamost α 00,, aše výběrová data by ám eposkytovala důvod ulovou hypotézu zamítout. Obecě můžeme říc, že počítačové výstupy výsledků statstckých testů s uvedeým hodotam p usadňují terpretac v tom, že epotřebujeme pro určováí krtckého oboru statstcké tabulky. To, zda vypočteá statstka je č eí v krtckém oboru, pozáme bezprostředě z hodoty p: Je-l p α, víme, že hodota testového krtera je v krtckém oboru, pokud p > α, hodota testového krtera v krtckém oboru eí. V uvedeém dvouvýběrovém t-testu se vychází z předpokladu, že oba výběry jsou z ormálě rozděleých populací. Splěí tohoto předpokladu eí tak důležté, pokud rozsahy obou výběrů jsou dost velké. Jak víme z odstavce o cetrálí lmtí větě, př dostatečě velkém počtu pozorováí má testové krterum U s s + (5) ormovaé ormálí rozděleí N(0,) a př velkém počtu stupňů volost se tvar t-rozděleí přblžuje rozděleí N(0,). Pro velké rozsahy výběrů hodoty testových statstk () a () se přblžují hodotě daé rov. (5). Tudíž statstku U můžeme pak použít pro test hypotézy o shodě středích hodot dvou populací lbovolého rozděleí. 4

25 Dalším často užívaým t-testem je tzv. párový t-test. Obecě o párových testech hovoříme tehdy, když máme pro vybraé objekty změřey dvojce hodot, apř. délka levé a pravé kočety, kreví tlak před a po podáí léku, stupeň opotřebeí pravé a levé peumatky atd. Ve statstce je tato stuace ozačováa jako dva závslé výběry stejého rozsahu. Máme-l tedy dva závslé áhodé výběry ( X, X,, ) ( ) X, Y, Y,, Y, můžeme zjstt rozdíly těchto výběrových hodot D X Y a spočítat výběrové statstky velčy D, průměr d a rozptyl s d. Př testu hypotézy o shodě středích hodot velč X a Y, tedy H0 : µ µ 0 vlastě testujeme, zda středí hodota velčy D je ulová. To je stuace, kterou už záme z jedovýběrového t-testu. Testovým krterem pro test této hypotézy je T p s d d /, (6) která má rozděleí t -. Podobě jako u jedovýběrového testu může být alteratví hypotéza formulováa jako oboustraá ebo jedostraá. Př párovém testu můžeme ulovou hypotézu formulovat eje tak, že středí hodoty obou velč jsou shodé, ale tak, že jejch rozdíl je rove hodotě a, H 0 : µ µ a. Pak testovou statstkou je T p d a, (7) s / d která opět za platost ulové hypotézy má rozděleí t -. Souhr: Statstcký test hypotézy se užívá k rozhodováí za ejstoty. Rozhodujeme mez ulovou hypotézou a alteratvou. Jsou dva druhy chybého rozhodutí. Pravděpodobost chyby I. druhu př testu volíme předem (hlada výzamost). Test hypotézy je aalogcký rozhodováí soudu, ale rozdíl je v tom, že pravděpodobost chyby prvího druhu je u statstckých testů záma, dokoce j zvolíme. Krtcký obor test závsí a tom, jak je zformulováa alteratva. 5

26 Kotrolí otázky:. Proč testy o parametrech jsou rozhodováí v ejstotě?. Vysvětlete rozdíl mez chybou prvího a druhého druhu. 3. Proč je zamítutí ulové hypotézy pro praktcké rozhodováí užtečější výsledek ež ezamítutí ulové hypotézy? 4. Kdy můžeme formulovat jedostraou alteratvu? Jakou ám to pak přáší výhodu? 5. Čím se lší párový t-test od jedovýběrového t-testu? Pojmy k zapamatováí: statstcké testováí hypotéz ulová hypotéza, alteratva chyby prvího a druhého druhu hlada výzamost síla testu testová statstka (krterum) krtcký obor jedovýběrový t-test dvouvýběrový t-test párové testy, párový t-test hodota testové statstky a odpovídající p-value Korespodečí úloha č. Vygeerujte v Ecelu áhodý výběr o rozsahu 000 z ormálě rozděleé populace se středí hodotou 6 a rozptylem. Návod: Z cetrálí lmtí věty víte, že součet áhodých čísel z rovoměrého rozděleí a tervalu (0,) tj. získaých v Ecelu fukcí NAHCIS má přblžě ormálí rozděleí. Vygeerujte tedy tabulku o 000 řádcích a k sloupcích s áhodým čísly z rovoměrého rozděleí a tervalu (0,) a výběr z ormálího rozděleí pak můžete získat jako řádkové součty ve sloupc k + v této tabulce. Z vlastostí spojtého rovoměrého rozděleí určete, jak velký počet sloupců k potřebujete, abyste dostal výběr z populace se středí hodotou 6 a rozptylem. a) akreslete hstogram velčy v prvím sloupc vaší tabulky a hstogram velčy v (k+)-ím sloupc vaší tabulky b) testujte hypotézu, že výběr v (k+)-ím sloupc je z populace se středí hodotou 6 (užjte jedovýběrový t-test) c) opakujte celý postup 00 krát (využjte opakováí výpočtu v Ecelu stskem klávesy F9) a zjstěte relatví četost zamítutí ulové hypotézy. Zdůvoděte zjštěé výsledky. 6

UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY. Přírodovědecká fakulta ANALÝZA DAT. 2. upravené vydání. Josef Tvrdík

UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY. Přírodovědecká fakulta ANALÝZA DAT. 2. upravené vydání. Josef Tvrdík UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA DAT. upraveé vydáí Josef Tvrdík OSTRAVSKÁ UNIVERZITA 008 OBSAH: Úvod... 3 Parametrcké testy o shodě středích hodot... 4. Jedovýběrový t-test...

Více

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova univerzita v Brně Statistika projekt Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4

Více

, jsou naměřené a vypočtené hodnoty závisle

, jsou naměřené a vypočtené hodnoty závisle Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností 4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,

Více

ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY

ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY Josef Tvrdík OSTRAVSKÁ UNIVERZITA 00 OBSAH: ÚVOD... 4. CO JE STATISTIKA?... 4. STATISTICKÁ DATA... 5.3 MĚŘENÍ

Více

Univerzita Karlova v Praze Pedagogická fakulta

Univerzita Karlova v Praze Pedagogická fakulta Uverzta Karlova v Praze Pedagogcká fakulta SEMINÁRNÍ PRÁCE Z OBECNÉ ALGEBRY DĚLITELNOST CELÝCH ČÍSEL V SOUSTAVÁCH O RŮZNÝCH ZÁKLADECH / Cfrk C. Zadáí: Najděte pět krtérí pro děltelost v jých soustavách

Více

Deskriptivní statistika 1

Deskriptivní statistika 1 Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky

Více

APLIKOVANÁ STATISTIKA

APLIKOVANÁ STATISTIKA VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA MANAGEMENTU A EKONOMIKY VE ZLÍNĚ APLIKOVANÁ STATISTIKA FRANTIŠEK PAVELKA PETR KLÍMEK ZLÍN 000 Recezoval: Haa Lošťáková Fratšek Pavelka, Petr Klímek, 000 ISBN 80 4

Více

11. Časové řady. 11.1. Pojem a klasifikace časových řad

11. Časové řady. 11.1. Pojem a klasifikace časových řad . Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé

Více

UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesné výchovy

UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesné výchovy UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesé výchovy VYBRANÉ NEPARAMETRICKÉ STATISTICKÉ POSTUPY V ANTROPOMOTORICE Zdeěk Havel Davd Chlář 0 VYBRANÉ NEPARAMETRICKÉ

Více

1.1 Definice a základní pojmy

1.1 Definice a základní pojmy Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých

Více

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,

Více

Optimalizace portfolia

Optimalizace portfolia Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí

Více

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků 1 Pops statstcých dat 1.1 Pops omálích a ordálích zaů K zobrazeí rozděleí hodot omálích ebo ordálích zaů lze použít tabulu ebo graf rozděleí četostí. Tuto formu zobrazeí lze dooce použít pro číselé zay,

Více

Statistická analýza dat

Statistická analýza dat INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Statstcká aalýza dat Učebí texty k semář Autor: Prof. RNDr. Mla Melou, DrSc. Datum: 5.. 011 Cetrum pro rozvoj výzkumu pokročlých řídcích a sezorckých techologí CZ.1.07/.3.00/09.0031

Více

SOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO. Statistika I. distanční studijní opora. Milan Křápek

SOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO. Statistika I. distanční studijní opora. Milan Křápek SOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO Statstka I dstačí studjí opora Mla Křápek Soukromá vysoká škola ekoomcká Zojmo Dube 3 Statstka I Vydala Soukromá vysoká škola ekoomcká Zojmo. vydáí Zojmo, 3 ISBN

Více

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou 1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i

Více

STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK

STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK 04 prof. Ig. Bohuml Mařík, CSc. STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH.

Více

BIVŠ. Pravděpodobnost a statistika

BIVŠ. Pravděpodobnost a statistika BIVŠ Pravděpodobost a statstka Úvod Skrpta Pravděpodobost a statstka jsou učebím tetem pro stejojmeý kurz magsterského studa Bakovího sttutu vysoké školy Kurzy Pravděpodobost a statstka a avazující kurz

Více

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě Rekostrukce vodovodích řadů ve vztahu ke spolehlvost vodovodí sítě Ig. Jaa Šekapoulová Vodáreská akcová společost, a.s. Bro. ÚVOD V oha lokaltách České republky je v současost aktuálí problée zastaralá

Více

ÚVOD DO PRAKTICKÉ FYZIKY I

ÚVOD DO PRAKTICKÉ FYZIKY I JIŘÍ ENGLICH ÚVOD DO PRAKTICKÉ FYZIKY I ZPRACOVÁNÍ VÝSLEDKŮ MĚŘENÍ Jede z epermetů, které změly vývoj fyzky v mulém století. V roce 9 prof. H. Kamerlgh Oes ve své laboratoř v Leydeu měřl teplotí závslost

Více

Vzorový příklad na rozhodování BPH_ZMAN

Vzorový příklad na rozhodování BPH_ZMAN Vzorový příklad a rozhodováí BPH_ZMAN Základí charakteristiky a začeí symbol verbálí vyjádřeí iterval C g g-tý cíl g = 1,.. s V i i-tá variata i = 1,.. m K j j-té kriterium j = 1,.. v j x ij u ij váha

Více

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů Semárky, předášky, bakalářky, testy - ekoome, ace, účetctví, ačí trhy, maagemet, právo, hstore... PODNIKOVÁ EKONOMIKA 3. Cea ceých papírů Ceé papíry jsou jedím ze způsobů, jak podk může získat potřebý

Více

Téma 11 Prostorová soustava sil

Téma 11 Prostorová soustava sil Stavebí statka,.ročík bakalářského studa Téma Prostorová soustava sl Prostorový svazek sl Statcký momet síly a dvojce sl v prostoru Obecá prostorová soustava sl Prostorová soustava rovoběžých sl Katedra

Více

Téma 6: Indexy a diference

Téma 6: Indexy a diference dexy a dferece Téma 6: dexy a dferece ředáška 9 dvdálí dexy a dferece Základí ojmy Vedle elemetárího statstckého zracováí dat se hromadé jevy aalyzjí tzv. srováváím růzých kazatelů. Statstcký kazatel -

Více

2 STEJNORODOST BETONU KONSTRUKCE

2 STEJNORODOST BETONU KONSTRUKCE STEJNORODOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí stejorodosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů

Více

Střední hodnoty. Aritmetický průměr prostý Aleš Drobník strana 1

Střední hodnoty. Aritmetický průměr prostý Aleš Drobník strana 1 Středí hodoty. Artmetcký průměr prostý Aleš Drobík straa 0. STŘEDNÍ HODNOTY Př statstckém zjšťováí často zpracováváme statstcké soubory s velkým možstvím statstckých jedotek. Např. soubor pracovíků orgazace,

Více

10.3 GEOMERTICKÝ PRŮMĚR

10.3 GEOMERTICKÝ PRŮMĚR Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo

Více

10.2 VÁŽENÝ ARITMETICKÝ PRŮMĚR

10.2 VÁŽENÝ ARITMETICKÝ PRŮMĚR Středí hodoty Artmetcý průměr vážeý ze tříděí Aleš Drobí straa 0 VÁŽENÝ ARITMETICKÝ PRŮMĚR Výzam a užtí vážeého artmetcého průměru uážeme a ásledujících příladech Přílad 0 Ve frmě Gama Blatá máme soubor

Více

Sekvenční logické obvody(lso)

Sekvenční logické obvody(lso) Sekvečí logické obvody(lso) 1. Logické sekvečí obvody, tzv. paměťové čley, jsou obvody u kterých výstupí stavy ezávisí je a okamžitých hodotách vstupích sigálů, ale jsou závislé i a předcházejících hodotách

Více

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti 1 Základí statistické zpracováí dat 1.1 Základí pojmy Populace (základí soubor) je soubor objektů (statistických jedotek), který je vymeze jejich výčtem ebo charakterizací jejich vlastostí, může být proto

Více

Nepředvídané události v rámci kvantifikace rizika

Nepředvídané události v rámci kvantifikace rizika Nepředvídaé událost v rác kvatfkace rzka Jří Marek, ČVUT, Stavebí fakulta {r.arek}@rsk-aageet.cz Abstrakt Z hledska úspěchu vestce ohou být krtcké právě ty zdroe ebezpečí, které esou detfkováy. Vzhlede

Více

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad Metody vyhodoceí efektvost vestc Časová hodota peěz Metody vyhodoceí Časová hodota peěz Prostředky, které máme k dspozc v současost mají vyšší hodotu ež prostředky, které budeme mít k dspozc v budoucost.

Více

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ 4 DOPADY ZPŮSOBŮ FACOVÁÍ A VESTČÍ ROZHODOVÁÍ 77 4. ČSTÁ SOUČASÁ HODOTA VČETĚ VLVU FLACE, CEOVÝCH ÁRŮSTŮ, DAÍ OPTMALZACE KAPTÁLOVÉ STRUKTURY Čistá současá hodota (et preset value) Jedá se o dyamickou metodu

Více

ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC

ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC Jří HŘEBÍČEK, Mchal HEJČ, Jaa SOUKOPOVÁ ECO-Maagemet,

Více

AMC/IEM J - HMOTNOST A VYVÁŽENÍ

AMC/IEM J - HMOTNOST A VYVÁŽENÍ ČÁST JAR-OPS 3 AMC/IEM J - HMOTNOST A VYVÁŽENÍ ACJ OPS 3.605 Hodoty hmotostí Viz JAR-OPS 3.605 V souladu s ICAO Ae 5 a s meziárodí soustavou jedotek SI, skutečé a omezující hmotosti vrtulíků, užitečé zatížeí

Více

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1 [M2-P9] KAPITOLA 5: Číselé řady Ozačeí: R, + } = R ( = R) C } = C rozšířeá komplexí rovia ( evlastí hodota, číslo, bod) Vsuvka: defiujeme pro a C: a ± =, a = (je pro a 0), edefiujeme: 0,, ± a Poslouposti

Více

Fraktálová komprese. Historie

Fraktálová komprese. Historie Fraktálová komprese Hstore Prví zmíky o tzv. fraktálové kompres jsem ašel kdys v bezvadé a dodes aktuálí kížce!! Grafcké formáty (Braslav Sobota, Já Mlá, akl. Kopp), kde však šlo spíše o adšeý úvod a pak

Více

8. Základy statistiky. 8.1 Statistický soubor

8. Základy statistiky. 8.1 Statistický soubor 8. Základy statistiky 7. ročík - 8. Základy statistiky Statistika je vědí obor, který se zabývá zpracováím hromadých jevů. Tvoří základ pro řadu procesů řízeí, rozhodováí a orgaizováí, protoţe a základě

Více

1 Trochu o kritériích dělitelnosti

1 Trochu o kritériích dělitelnosti Meu: Úloha č.1 Dělitelost a prvočísla Mirko Rokyta, KMA MFF UK Praha Jaov, 12.10.2013 Růzé dělitelosti, třeba 11 a 7 (aeb Jak zfalšovat rodé číslo). Prvočísla: které je ejlepší, které je ejvětší a jak

Více

Neparametrické metody

Neparametrické metody I. ÚVOD Neparametrické metody EuroMISE Cetrum v Neparametrické testy jsou založey a pořadových skórech, které reprezetují původí data v Data emusí utě splňovat určité předpoklady vyžadovaé u parametrických

Více

9.1.13 Permutace s opakováním

9.1.13 Permutace s opakováním 93 Permutace s opakováím Předpoklady: 906, 9 Pedagogická pozámka: Obsah hodiy přesahuje 45 miut, pokud emáte k dispozici další půlhodiu, musíte žáky echat projít posledí dva příklady doma Př : Urči kolik

Více

9.1.12 Permutace s opakováním

9.1.12 Permutace s opakováním 9.. Permutace s opakováím Předpoklady: 905, 9 Pedagogická pozámka: Pokud echáte studety počítat samostatě příklad 9 vyjde tato hodia a skoro 80 miut. Uvažuji o tom, že hodiu doplím a rozdělím a dvě. Př.

Více

Co je to statistika? Statistické hodnocení výsledků zkoušek. Úvod statistické myšlení. Úvod statistické myšlení. Popisná statistika

Co je to statistika? Statistické hodnocení výsledků zkoušek. Úvod statistické myšlení. Úvod statistické myšlení. Popisná statistika Co e to statistika? Statistické hodoceí výsledků zkoušek Petr Misák misak.p@fce.vutbr.cz Statistika e ako bikiy. Odhalí téměř vše, ale to edůležitěší ám zůstae skryto. (autor ezámý) Statistika uda e, má

Více

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT 2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic

Více

Číselné řady. 1 m 1. 1 n a. m=2. n=1

Číselné řady. 1 m 1. 1 n a. m=2. n=1 Číselé řady Úvod U řad budeme řešit dva typy úloh: alezeí součtu a kovergeci. Nalezeí součtu (v případě, že řada koverguje) je obecě mohem těžší, elemetárě lze sečíst pouze ěkolik málo typů řad. Součet

Více

6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu

6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu 6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a

Více

Statistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc

Statistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc Statistika Statistické fukce v tabulkových kalkulátorech MSO Excel a OO.o Calc Základí pojmy tabulkových kalkulátorů Cílem eí vyložit pojmy tabulkových kalkulátorů, ale je defiovat pojmy vyskytující se

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta C)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta C) Přijímací řízeí pro akademický rok 24/ a magisterský studijí program: PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test, variata C) Zde alepte své uiverzití číslo U každé otázky či podotázky v ásledujícím

Více

Interval spolehlivosti pro podíl

Interval spolehlivosti pro podíl Iterval polehlivoti pro podíl http://www.caueweb.org/repoitory/tatjava/cofitapplet.html Náhodý výběr Zkoumaý proce chápeme jako áhodou veličiu určitým ám eámým roděleím a měřeá data jako realiace této

Více

v. Úkolem regrese (vyrovnání) argumentu y je nalézt vhodnou regresní funkci Y f (x)

v. Úkolem regrese (vyrovnání) argumentu y je nalézt vhodnou regresní funkci Y f (x) 9 REGRESE A KORELACE Slovo regrese oecě zmeá poh zpět ústup ávrt regresví = ustupující Opčým termíem je progrese pokrok postup šířeí růst Pojem regrese l do sttstk zvede kocem 9 století rtským učecem Frcsem

Více

Poznámky k tématu Korelace a jednoduchá lineární regrese (Téma není ve skriptech)

Poznámky k tématu Korelace a jednoduchá lineární regrese (Téma není ve skriptech) Pozámk k tématu Koelace a jedoduchá leáí egee (Téma eí ve kptech) Mějme data, ),...,(, ), kteá jou áhodým výběem z ějaké populace. Data ted pokládáme za ezávlé ealzace dvojce áhodých velč ( X, Y ). Půmě

Více

KVALIMETRIE. 16. Statistické metody v metrologii a analytické chemii. Miloslav Suchánek. Řešené příklady na CD-ROM v Excelu.

KVALIMETRIE. 16. Statistické metody v metrologii a analytické chemii. Miloslav Suchánek. Řešené příklady na CD-ROM v Excelu. KVALIMETRIE Miloslav Sucháek 16. Statistické metody v metrologii a aalytické chemii Řešeé příklady a CD-ROM v Excelu Eurachem ZAOSTŘENO NA ANALYTICKOU CHEMII V EVROPĚ Kvalimetrie 16 je zatím posledí z

Více

8 Průzkumová analýza dat

8 Průzkumová analýza dat 8 Průzkumová aalýza dat Cílem průzkumové aalýzy dat (také zámé pod zkratkou EDA - z aglického ázvu exploratory data aalysis) je alezeí zvláštostí statistického chováí dat a ověřeí jejich předpokladů pro

Více

(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications)

(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications) Základy datové aalýzy, modelového vývojářství a statistického učeí (Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applicatios) Lukáš Pastorek POZOR: Autor upozorňuje, že se jedá

Více

pravděpodobnostn podobnostní jazykový model

pravděpodobnostn podobnostní jazykový model Pokročilé metody rozpozáváířeči Předáška 8 Rozpozáváí s velkými slovíky, pravděpodobost podobostí jazykový model Rozpozáváí s velkým slovíkem Úlohy zaměřeé a diktováíči přepis řeči vyžadují velké slovíky

Více

Zobrazení čísel v počítači

Zobrazení čísel v počítači Zobraeí ísel v poítai, áklady algoritmiace Ig. Michala Kotlíková Straa 1 (celkem 10) Def.. 1 slabika = 1 byte = 8 bitů 1 bit = 0 ebo 1 (ve dvojkové soustavě) Zobraeí celých ísel Zobraeí ísel v poítai Ke

Více

Využití účetních dat pro finanční řízení

Využití účetních dat pro finanční řízení Využtí účetích dat pro fačí řízeí KAPITOLA 4 V rác této kaptoly se zaěříe a časovou hodotu peěz (a to včetě oceňováí ceých papírů), která se prolíá celý vestčí rozhodováí, dále a fačí aalýzu (vycházející

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test) Přijímací řízeí pro akademický rok 2007/08 a magisterský studijí program: Zde alepte své uiverzití číslo PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test) U každé otázky či podotázky v ásledujícím

Více

STATISTIKA PRO EKONOMY

STATISTIKA PRO EKONOMY EDICE UČEBNÍCH TEXTŮ STATISTIKA PRO EKONOMY EDUARD SOUČEK V Y S O K Á Š K O L A E K O N O M I E A M A N A G E M E N T U Eduard Souček Statistika pro ekoomy UČEBNÍ TEXT VYSOKÁ ŠKOLA EKONOMIE A MANAGEMENTU

Více

STATISTIKA. Základní pojmy

STATISTIKA. Základní pojmy Statistia /7 STATISTIKA Záladí pojmy Statisticý soubor oečá eprázdá možia M zoumaých objetů schromážděých a záladě toho, že mají jisté společé vlastosti záladí statisticý soubor soubor všech v daé situaci

Více

PRACOVNÍ SEŠIT ALGEBRAICKÉ VÝRAZY. 2. tematický okruh: Připrav se na státní maturitní zkoušku z MATEMATIKY důkladně, z pohodlí domova a online

PRACOVNÍ SEŠIT ALGEBRAICKÉ VÝRAZY. 2. tematický okruh: Připrav se na státní maturitní zkoušku z MATEMATIKY důkladně, z pohodlí domova a online Připrv se státí mturití zkoušku z MATEMATIKY důkldě, z pohodlí domov olie PRACOVNÍ SEŠIT. temtický okruh: ALGEBRAICKÉ VÝRAZY vtvořil: RNDr. Věr Effeberger epertk olie příprvu SMZ z mtemtik školí rok 04/05

Více

STATISTIKA (pro navazující magisterské studium)

STATISTIKA (pro navazující magisterské studium) Slezská unverzta v Opavě Obchodně podnkatelská fakulta v Karvné STATISTIKA (pro navazující magsterské studum) Jaroslav Ramík Karvná 007 Jaroslav Ramík, Statstka Jaroslav Ramík, Statstka 3 OBSAH MODULU

Více

TECHNICKÝ AUDIT VODÁRENSKÝCH DISTRIBUČNÍCH

TECHNICKÝ AUDIT VODÁRENSKÝCH DISTRIBUČNÍCH ECHNICKÝ AUDI VODÁRENSKÝCH DISRIBUČNÍCH SYSÉMŮ Ig. Ladislav uhovčák, CSc. 1), Ig. omáš Kučera 1), Ig. Miroslav Svoboda 1), Ig. Miroslav Šebesta 2) 1) 2) Vysoké učeí techické v Brě, Fakulta stavebí, Ústav

Více

ZÁKLADY DISKRÉTNÍ MATEMATIKY

ZÁKLADY DISKRÉTNÍ MATEMATIKY ZÁKLADY DISKRÉTNÍ MATEMATIKY Michael Kubesa Text byl vytvoře v rámci realizace projektu Matematika pro ižeýry 21. století (reg. č. CZ.1.07/2.2.00/07.0332), a kterém se společě podílela Vysoká škola báňská

Více

7. P o p i s n á s t a t i s t i k a

7. P o p i s n á s t a t i s t i k a 7. P o p i s á s t a t i s t i k a 7.. Pozámka: Při statistickém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákoitosti, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme

Více

Vysoká škola ekonomická v Praze Fakulta informatiky a statistiky Vyšší odborná škola informačních služeb v Praze. Lukáš Kleňha

Vysoká škola ekonomická v Praze Fakulta informatiky a statistiky Vyšší odborná škola informačních služeb v Praze. Lukáš Kleňha Vysoká škola ekoomcká v Praze Fakulta formatky a statstky Vyšší odborá škola formačích služeb v Praze Lukáš Kleňha egresí aalýza acetovy rogrese o rví hostalzac s CHOPN 0 Prohlášeí Prohlašuj, že jsem

Více

Veterinární a farmaceutická univerzita Brno. Základy statistiky. pro studující veterinární medicíny a farmacie

Veterinární a farmaceutická univerzita Brno. Základy statistiky. pro studující veterinární medicíny a farmacie Veteriárí a farmaceutická uiverzita Bro Základy statistiky pro studující veteriárí medicíy a farmacie Doc. RNDr. Iveta Bedáňová, Ph.D. Prof. MVDr. Vladimír Večerek, CSc. Bro, 007 Obsah Úvod.... 5 1 Základí

Více

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY Statitické metody ve veřejé právě ŘEŠENÉ PŘÍKLADY Ig. Václav Friedrich, Ph.D. 2013 1 Kapitola 2 Popi tatitických dat 2.1 Tabulka obahuje rozděleí pracovíků podle platových tříd: TARIF PLAT POČET TARIF

Více

OPTIMALIZACE AKTIVIT SYSTÉMU PRO URČENÍ PODÍLU NA VYTÁPĚNÍ A SPOTŘEBĚ VODY.

OPTIMALIZACE AKTIVIT SYSTÉMU PRO URČENÍ PODÍLU NA VYTÁPĚNÍ A SPOTŘEBĚ VODY. OPTIMALIZACE AKTIVIT SYSTÉMU PRO URČENÍ PODÍLU NA VYTÁPĚNÍ A SPOTŘEBĚ VODY. Ig.Karel Hoder, ÚAMT-VUT Bro. 1.Úvod Optimálí rozděleí ákladů a vytápěí bytového domu mezi uživatele bytů v domě stále podléhá

Více

PříkladykecvičenízMMA ZS2013/14

PříkladykecvičenízMMA ZS2013/14 PříkladykecvičeízMMA ZS203/4 (středa, M3, 9:50 :20) Pozámka( ):Pokudebudeuvedeojiakbudemevždypracovatsprostoryadtělesem T= R.Ve všech ostatích případech(tj. při T = C), bude těleso explicitě specifikováo.

Více

Systém intralaboratorní kontroly kvality v klinické laboratoři (SIKK)

Systém intralaboratorní kontroly kvality v klinické laboratoři (SIKK) Systém itralaboratorí kotroly kvality v kliické laboratoři (SIKK) Doporučeí výboru České společosti kliické biochemie ČLS JEP Obsah: 1. Volba systému... 2 2. Prováděí kotroly... 3 3. Dokumetace výsledků

Více

(varianta s odděleným hodnocením investičních nákladů vynaložených na jednotlivé privatizované objekty)

(varianta s odděleným hodnocením investičních nákladů vynaložených na jednotlivé privatizované objekty) (variata s odděleým hodoceím ivestičích ákladů vyaložeých a jedotlivé privatizovaé objekty) Vypracoval: YBN CONSULT - Zalecký ústav s.r.o. Ig. Bedřich Malý Ig. Yvetta Fialová, CSc. Václavské áměstí 1 110

Více

Téma 5: Analýza závislostí

Téma 5: Analýza závislostí Aalýza závlotí Téma 5: Aalýza závlotí Předáša 5 Závlot mez ev Záladí pom Předmětem této aptol ude zoumáí závlotí ouvlotí mez dvěma a více ev. Jedá e o proutí do vztahů mez ledovaým ev a tím přlížeí tzv.

Více

Čísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové.

Čísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové. Příprava na cvčení č.1 Čísla a artmetka Číselné soustavy Obraz čísla A v soustavě o základu z: m A ( Z ) a z (1) n kde: a je symbol (číslce) z je základ m je počet řádových míst, na kterých má základ kladný

Více

ÚROKVÁ SAZBA A VÝPOČET BUDOUCÍ HODNOTY. Závislost úroku na době splatnosti kapitálu

ÚROKVÁ SAZBA A VÝPOČET BUDOUCÍ HODNOTY. Závislost úroku na době splatnosti kapitálu ÚROKVÁ SAZBA A VÝPOČET BUDOUÍ HODNOTY. Typy a druhy úročeí, budoucí hodota ivestice Úrok - odměa za získáí úvěru (cea za službu peěz) Ročí úroková sazba (míra)(i) úrok v % z hodoty kapitálu za časové období

Více

8.2.10 Příklady z finanční matematiky I

8.2.10 Příklady z finanční matematiky I 8..10 Příklady z fiačí matematiky I Předoklady: 807 Fiačí matematika se zabývá ukládáím a ůjčováím eěz, ojišťováím, odhady rizik aod. Poměrě důležitá a výosá discilía. Sořeí Při sořeí vkladatel uloží do

Více

SPOŘENÍ. Spoření krátkodobé

SPOŘENÍ. Spoření krátkodobé SPOŘENÍ Krátkodobé- doba spořeí epřesáhe jedo úrokové období (obvykle 1 rok). Úroky jsou přpsováy a koc doby spořeí. Jedotlvé složky jsou úročey a základě jedoduchého úročeí. Dlouhodobé doba spořeí bude

Více

1 STATISTICKÁ ŠETŘENÍ

1 STATISTICKÁ ŠETŘENÍ STATISTICKÁ ŠETŘENÍ Záladem aždého tattcého zoumáí jou údaje (data). Lze je zíat v záadě dvěma způoby. Buď je převzít z ějaého zdroje ebo je am zjtt. Seudárí data údaje, teré převezmeme z růzých zdrojů;

Více

Energie elektrického pole

Energie elektrického pole Energe elektrckého pole Jž v úvodní kaptole jsme poznal, že nehybný (centrální elektrcký náboj vytváří v celém nekonečném prostoru slové elektrcké pole, které je konzervatvní, to znamená, že jakýkolv jný

Více

Kapitola 12: Zpracování dotazů. Základní kroky ve zpracování dotazů

Kapitola 12: Zpracování dotazů. Základní kroky ve zpracování dotazů - 12.1 - Přehled Ifomace po odhad ákladů Míy po áklady dotazu Opeace výběu Řazeí Opeace spojeí Vyhodocováí výazů Tasfomace elačích výazů Výbě pláu po vyhodoceí Kapitola 12: Zpacováí dotazů Základí koky

Více

Beta faktor a ekvitní prémie z cizího trhu: přenositelnost a statistická spolehlivost

Beta faktor a ekvitní prémie z cizího trhu: přenositelnost a statistická spolehlivost Beta fakto a ekvtí péme z czího thu: přeostelost a statstcká spolehlvost Veze 15. 4. 014 chal Dvořák Abstakt Cílem textu je lustovat že český buzoví th eobsahuje dostatečý počet ttulů ke koektímu staoveí

Více

1) Vypočtěte ideální poměr rozdělení brzdných sil na nápravy dvounápravového vozidla bez ABS.

1) Vypočtěte ideální poměr rozdělení brzdných sil na nápravy dvounápravového vozidla bez ABS. Dopraví stroje a zařízeí odborý zálad AR 04/05 Idetifiačí číslo: Počet otáze: 6 Čas : 60 miut Počet bodů Hodoceí OTÁZKY: ) Vypočtěte eálí poměr rozděleí brzdých sil a ápravy dvouápravového vozla bez ABS.

Více

Makroekonomie cvičení 1

Makroekonomie cvičení 1 Makroekoomie cvičeí 1 D = poptávka. S = Nabídka. Q = Možství. P = Cea. Q* = Rovovážé možství (Q E ). P* = Rovovážá caa (P E ). L = Práce. K = Kapitál. C = Spotřeba domácosti. LR = Dlouhé období. SR = Krátké

Více

PRACOVNÍ SEŠIT ČÍSELNÉ OBORY. 1. tematický okruh: Připrav se na státní maturitní zkoušku z MATEMATIKY důkladně, z pohodlí domova a online.

PRACOVNÍ SEŠIT ČÍSELNÉ OBORY. 1. tematický okruh: Připrav se na státní maturitní zkoušku z MATEMATIKY důkladně, z pohodlí domova a online. Připrv se státí mturití zkoušku z MATEMATIKY důkldě, z pohodlí domov olie PRACOVNÍ SEŠIT. temtický okruh: ČÍSELNÉ OBORY vytvořil: RNDr. Věr Effeberger expertk olie příprvu SMZ z mtemtiky školí rok 204/205

Více

-1- Finanční matematika. Složené úrokování

-1- Finanční matematika. Složené úrokování -- Fiačí ateatika Složeé úrokováí Při složeé úročeí se úroky přičítají k počátečíu kapitálu ( k poskytutí úvěru, k uložeéu vkladu ) a společě s í se úročí. Vzorec pro kapitál K po letech při složeé úročeí

Více

VÍCEKRITERIÁLNÍ ANALÝZA VARIANT ZA JISTOTY

VÍCEKRITERIÁLNÍ ANALÝZA VARIANT ZA JISTOTY VÍCEKRITERIÁLNÍ ANALÝZA VARIANT ZA JISTOTY Záklaí pom Rozhoutí výběr eé ebo více varat z mož všech přípustých varat. Rozhoovatel subekt, který má za úkol učt rozhoutí. V úlohách vícekrterálí aalýz varat

Více

VÝVOJ NÁSTROJE PRO POSUZOVÁNÍ RECYKLAČNÍCH TECHNOLOGIÍ ASFALTOVÝCH VOZOVEK S DŮRAZEM NA UHLÍKOVOU STOPU

VÝVOJ NÁSTROJE PRO POSUZOVÁNÍ RECYKLAČNÍCH TECHNOLOGIÍ ASFALTOVÝCH VOZOVEK S DŮRAZEM NA UHLÍKOVOU STOPU 6. KONFERENCE PROJEKTOVÁNÍ POZEMNÍCH KOMUNIKACÍ Praha, 19.5.2015 VÝVOJ NÁSTROJE PRO POSUZOVÁNÍ RECYKLAČNÍCH TECHNOLOGIÍ ASFALTOVÝCH VOZOVEK S DŮRAZEM NA UHLÍKOVOU STOPU Václav Sížk Fakulta stavbí ČVUT

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Expertní Systémy. Tvorba aplikace

Expertní Systémy. Tvorba aplikace Tvorba aplikace Typ systému malý velký velmi velký Počet pravidel 50-350 500-3000 10000 Počet člověkoroků 0.3-0.5 1-2 3-5 Cea projektu (v tis.$) 40-60 500-1000 2000-5000 Harmo, Kig (1985) Vytvořeí expertího

Více

dálniced3 a rychlostní silnice Praha x Tábor x České Budějovice x Rakousko

dálniced3 a rychlostní silnice Praha x Tábor x České Budějovice x Rakousko dáliced3 a rychlostí silice R3 Praha Tábor České Budějovice Rakousko w w obsah základí iformace 3 dálice D3 a rychlostí silice R3 PrahaTáborČeské BudějoviceRakousko 3 > základí iformace 4 > čleěí dálice

Více

Výroční zpráva fondů společnosti Pioneer investiční společnost, a.s. - neauditovaná

Výroční zpráva fondů společnosti Pioneer investiční společnost, a.s. - neauditovaná Výročí zpráva fodů společosti Pioeer ivestičí společost, a.s. - eauditovaá Obsah 1. Účetí závěrka: Pioeer Sporokoto, Pioeer obligačí fod, Pioeer růstový fod, Pioeer dyamický fod, Pioeer akciový fod, BALANCOVANÝ

Více

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests), : veličiny X, Y jsou nezávislé nij eij

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests),   : veličiny X, Y jsou nezávislé nij eij Testy dobré shody Máme dvě veličiny a předpokládáme, že jsou nezávislé (platí nulová hypotéza nezávislosti). Často chceme naopak prokázat jejich závislost. K tomu slouží: TESTY DOBRÉ SHODY (angl. goodness-of-fit

Více

Matematicko-fyzikální fakulta Univerzita Karlova. Diplomová práce. Renata Sikorová

Matematicko-fyzikální fakulta Univerzita Karlova. Diplomová práce. Renata Sikorová Matematicko-fyzikálí fakulta Uiverzita Karlova Diplomová práce e Reata Sikorová Obor: Učitelství matematika - fyzika Katedra didaktiky matematiky Vedoucí práce: RNDr. Jiří Kottas, CSc. i Prohlašuji, že

Více

t-test, Studentův párový test Ing. Michael Rost, Ph.D.

t-test, Studentův párový test Ing. Michael Rost, Ph.D. Testování hypotéz: dvouvýběrový t-test, Studentův párový test Ing. Michael Rost, Ph.D. Úvod do problému... Již známe jednovýběrový t-test, při kterém jsme měli k dispozici pouze jeden výběr. Můžeme se

Více

stavební obzor 1 2/2014 11

stavební obzor 1 2/2014 11 tavebí obzor /04 Exploratorí aalýza výběrového ouboru dat pevoti drátobetou v tlau Ig. Daiel PIESZKA Ig. Iva KOLOŠ, Ph.D. doc. Ig. Karel KUBEČKA, Ph.D. VŠB-TU Otrava Faulta tavebí Věrohodé vyhodoceí experimetálích

Více